pdfplumber 提取中文乱码或空白时，先用 pdftotext 验证是否为图像型 pdf；若是文本型，调参 laparams 或过滤 fontname 含“sim”等中文字体的 chars 拼接。
pdfplumber 提取文字时中文乱码或空白怎么办
pdfplumber 默认使用 PDF 内置字体映射，遇到非标准中文字体（如某些扫描版或用特殊字体嵌入的 PDF）会返回空字符串或乱码。关键不是换库，而是补全字体处理逻辑。
- 先确认 PDF 是否含真实文本：用
pdftotext -layout input.pdf -命令行快速验证，若命令行也输出空白，说明是图像型 PDF，需 OCR - 在
pdfplumber.open()中传入laparams={"char_margin": 1.0, "line_margin": 0.5}，缓解中文字符粘连导致的漏提 - 对含中文字体的 PDF，显式指定编码（虽 pdfplumber 不直接暴露 codec 参数），可通过
page.chars手动过滤fontname字段含"Sim"、"FangSong"、"Adobe-GB1"的字符再拼接
PyPDF2 合并多份 PDF 时页码错乱或元数据丢失
PyPDF2 的 PdfMerger 默认不继承源文件的 PageLabel（页码前缀）和 Info 字典（作者、标题等），合并后页码显示为 1,2,3… 而非“第1章-1”“附录-A1”这类自定义格式。
- 合并前用
reader.metadata读取各文件元数据，合并后调用merger.add_metadata(metadata_dict)手动注入（注意键名需加前缀/，如{"/Author": "xxx"}） - 若需保留原始页码标签，必须遍历每个
reader.pages，提取page.attrs.get("/PageLabel")（若有），再用merger.append()的import_outline=False+ 后续手动重建 outline - 避免用
merge()方法直接拼接 BytesIO 对象——它可能跳过 trailer 解析，导致加密/权限字段异常；优先用append(filename)或完整PdfReader实例
扫描版 PDF 必须用 OCR 提取？哪些情况可跳过
不是所有“看起来像扫描件”的 PDF 都需要 OCR。很多所谓“扫描版”实际是带隐藏文本图层的 PDF（如 Adobe Scan、iOS 文件 App 导出结果），直接用 pdfplumber 或 PyMuPDF 即可提取，速度比 OCR 快 10 倍以上。
- 用
fitz.open(pdf_path).get_page_text(0, "text")（PyMuPDF）获取首页纯文本，若返回非空字符串，说明有文本图层，无需 OCR - 若
page.chars数量远小于page.images数量（比如 chars=0 但 images=1），才确定是纯图像 PDF - 真正需要 OCR 的典型场景：手机翻拍 PDF、老式扫描仪直出 PDF、银行账单 PDF —— 这些必须走
pytesseract+pdf2image流程，且务必用dpi=300参数调用convert_from_path()，否则识别率暴跌
合并含不同密码保护的 PDF 文件
PyPDF2 和 PyMuPDF 对加密 PDF 的支持差异大：PyPDF2 只能解密“用户密码”，对“所有者密码”（限制复制/打印）无感知；PyMuPDF 则能统一处理两种密码，但需提前知道密码。
- 用
fitz.open(pdf_path, password="xxx")尝试打开，若返回FileDataError且 message 含"invalid password"，说明密码错误；若打开成功但doc.is_encrypted为True，说明仍存在所有者密码限制，此时可调用doc.decrypt("owner_password") - 不要在合并流程中动态猜测密码——没有安全可靠的自动破解方式，强行尝试会触发 PDF 防护机制（如清空内容）
- 如果目标 PDF 仅设了所有者密码（常见于版权水印 PDF），多数情况下可跳过解密直接合并，因为 PyPDF2 的
PdfMerger在追加时会忽略所有者权限限制
rotate 属性。哪怕文字提取正常，若页面旋转角为 90 或 270，pdfplumber 返回的 page.width/page.height 与坐标系已交换，不做 page.to_image(resolution=150).save() 预览，极易在后续布局分析中把横排当竖排处理。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
